A Cost-Benefit Analysis of Teaching and Learning Technology in a Faculty of Pharmaceutical Sciences
Notice bibliographique
Résumé
<b>Objective.</b> To conduct a cost-benefit analysis (CBA) of investment in teaching and learning technology (TLT) by a college of pharmacy in a large, research-intensive university in Canada. <b>Methods.</b> Document analysis was used to determine the goals and objectives of the university and college for TLT use. Semi-structured interviews were conducted with faculty members to understand their perspectives on the value of technology for teaching and learning, their metrics to assess value, and an estimate of social value using a willingness to pay (WTP) exercise. A CBA was used to compare the social value against the cost of the investment in TLT. <b>Results.</b> Twenty-one faculty members participated in semi-structured interviews. National, university, and college goals for TLT were diffuse and nonspecific in terms of the intended use or the metrics by which implementation and impacts on the quality of teaching could be assessed. The mean WTP for this technology was Can$4.38M and the cost of investment was Can$4.25M. The primary analysis showed a small positive net benefit of the investment (Can$134,456), although this difference was not significant. All dollar figures are given in Canadian dollars (CAD). <b>Conclusion.</b> The college’s monetary investment in TLT was approximately equal to the social value placed on TLT by faculty users. Conducting a CBA on technology can bring greater understanding among faculty members of the college’s curriculum and pedagogical practices as well as financial decision-making. Greater clarity about the goals and objectives for TLT could help to maximize the value of investment in this area.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,002 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».